#獲取網頁原始碼
def get_one_page(url):
    try:
        response = requests.get(url)
        if response.status_code == 200:
           return response.text
        return None
    except RequestException:
      return None

#正則匹配提取目標資訊並形成字典
def parse_one_page(html):
    pattern = re.compile('<li>.*?data-src="(.*?)".*?<h5>.*?det.*?>(.*?)</a>.*?p.*?<a.*?>(.*?)</a>.*?</li>',re.S)
    items = re.findall(pattern, html)
    j = 1
    for item in items[:-1]:
        yield {'index': str(j),
            'name': item[1],
            'class':item[2]
        }
        j = j+1

#結果寫入txt
def write_to_file(content):
    with open(r'test.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False)+'\n')

標籤卻有 8 對。該 CSS 樣式的作用是隱藏標籤，所以我們在頁面只看到 6 件商品，爬蟲程式會提取到 8 件商品的 URL。

圖14.蜜罐反爬蟲例子

三、反反爬相關技術

針對上一節提到的反爬蟲相關技術，有以下幾類反反爬技術手段：css偏移反反爬、自定義字型反反爬、頁面動態渲染反反爬、驗證碼破解等，下面對這幾類方法進行詳細的介紹。

3.1 CSS偏移反反爬

3.1.1 CSS偏移邏輯介紹

那麼對於以上2.1css偏移反爬蟲的例子，怎麼才能得到正確的機票價格呢。仔細觀察css樣式，可以發現每個帶有數字的標籤都設定了樣式，第 1 對 b 標籤內的i 標籤對的樣式是相同的，都是width: 16px；另外，還注意到最外層的 span 標籤對的樣式為width:48px。

如果按照 css樣式這條線索來分析的話，第 1 對 b 標籤中的 3 對 i 標籤剛好佔滿 span 標籤對的位置，其位置如圖15所示。此時網頁中顯示的價格應該是 777，但是由於第 2 和第 3 對 b 標籤中有值，所以我們還需要計算它們的位置。由於第 2 對 b 標籤的位置樣式是 left:-32px，所以第 2 對 b 標籤中的值 6 就會覆蓋原來第 1 對 b 標籤中的中的第 2 個數字 7，此時頁面應該顯示的數字是 767。

按此規律推算，第 3 對 b 標籤的位置樣式是 left:-48px，這個標籤的值會覆蓋第 1 對 b 標籤中的第 1 個數字 7，最後顯示的票價就是 467。

圖15.偏移邏輯

3.1.2 CSS偏移反反爬程式碼實現

因此接下來我們按以上css樣式的規律來編寫程式碼對該網頁爬取獲取正確的機票價格，程式碼和結果如圖16所示。

if __name__ == '__main__':
    url = 'http://www.porters.vip/confusion/flight.html'
    resp = requests.get(url)
    sel = Selector(resp.text)
    em = sel.css('em.rel').extract()
    for element in range(0,1):
        element = Selector(em[element])
        element_b = element.css('b').extract()
        b1 = Selector(element_b.pop(0))
        base_price = b1.css('i::text').extract()
        print('css偏移前的價格：',base_price)

        alternate_price = []
        for eb in element_b:
            eb = Selector(eb)
            style = eb.css('b::attr("style")').get()
            position = ''.join(re.findall('left:(.*)px', style))
            value = eb.css('b::text').get()
            alternate_price.append({'position': position, 'value': value})
        print('css偏移值：',alternate_price)

        for al in alternate_price:
            position = int(al.get('position'))
            value = al.get('value')
            plus = True if position >= 0 else False
            index = int(position / 16)
            base_price[index] = value
        print('css偏移後的價格：',base_price)

圖16. CSS 偏移反反爬程式碼與結果

3.2 自定義字型反反爬

針對於以上2.3自定義字型反爬蟲的情況，解決思路就是提取出網頁中自定義字型檔案（一般為WOFF檔案），並將對映關係包含到爬蟲程式碼中，就可以獲取到有效資料。解決的步驟如下：

發現問題：檢視網頁原始碼，發現關鍵字元被編碼替代，如

分析：檢查網頁，發現應用了css自定義字符集隱藏

查詢：查詢css檔案url，獲取字符集對應的url，如PingFangSC-Regular-num

查詢：查詢和下載字符集url

比對：比對字符集中的字元與網頁原始碼中的編碼，發現編碼的後四位與字元對應，也即網頁原始碼對應的口味是8.9分

3.3 頁面動態渲染反反爬

客戶端渲染的反爬蟲，頁面程式碼在瀏覽器原始碼中看不到，需要執行渲染並進一步獲取渲染後結果。針對這種反爬蟲，有以下幾種方式破解：

1. 在瀏覽器中，通過開發者工具直接檢視ajax具體的請求方式、引數等內容；

2. 通過selenium模擬真人操作瀏覽器，獲取渲染後的結果，之後的操作步驟和服務端渲染的流程一樣；

3. 如果渲染的資料隱藏在html結果的JS變數中，可以直接正則提取；

4. 如果有通過JS生成的加密引數，可以找出加密部分的程式碼，然後使用pyexecJS來模擬執行JS，返回執行結果。

3.4 驗證碼破解

下面舉例一個識別滑塊驗證碼的例子，如圖17所示，是使用目標檢測模型來識別某滑塊驗證碼缺口位置的結果示例，這種破解滑塊驗證碼的方式對應的是模擬真人的方式。不採用介面破解的原因一方面是破解加密演算法有難度，另一方面也是加密演算法可能每天都會變，這樣破解的時間成本也比較大。

圖17. 通過目標檢測模型識別滑塊驗證碼的缺口

3.4.1 爬取滑塊驗證碼圖片

因為使用的目標檢測模型yolov5是有監督學習，所以需要爬取滑塊驗證碼的圖片並進行打標，進而輸入到模型中訓練。通過模擬真人的方式在某場景爬取部分驗證碼。

圖18. 爬取的滑塊驗證碼圖片

3.4.2 人工打標

本次使用的是labelImg來對圖片人工打標籤的，人工打標耗時較長，100張圖片一般耗時40分鐘左右。自動打標程式碼寫起來比較複雜，主要是需要分別提取出驗證碼的所有背景圖片和缺口圖片，然後隨機生成缺口位置，作為標籤，同時將缺口放到對應的缺口位置，生成圖片，作為輸入。

圖19. 對驗證碼圖片打標籤以及打標籤後生成的xml檔案

3.4.3 目標檢測模型yolov5

直接從github下clone yolov5的官方程式碼，它是基於pytorch實現。

接下來的使用步驟如下：

1. 資料格式轉換：將人工標註的圖片和標籤檔案轉換為yolov5接收的資料格式，得到1100張圖片和1100個yolov5格式的標籤檔案；

2. 新建資料集：新建custom.yaml檔案來建立自己的資料集，包括訓練集和驗證集的目錄、類別數目、類別名；

3. 訓練調優：修改模型配置檔案和訓練檔案後，進行訓練，並根據訓練結果調優超引數。

轉換xml檔案為yolov5格式的部分指令碼：

for member in root.findall('object'):
           class_id = class_text.index(member[0].text)

           xmin = int(member[4][0].text)
           ymin = int(member[4][1].text)
           xmax = int(member[4][2].text)
           ymax = int(member[4][3].text)

           # round(x, 6) 這裡我設定了6位有效數字，可根據實際情況更改
           center_x = round(((xmin + xmax) / 2.0) * scale / float(image.shape[1]), 6)
           center_y = round(((ymin + ymax) / 2.0) * scale / float(image.shape[0]), 6)
           box_w = round(float(xmax - xmin) * scale / float(image.shape[1]), 6)
           box_h = round(float(ymax - ymin) * scale / float(image.shape[0]), 6)

           file_txt.write(str(class_id))
           file_txt.write(' ')
           file_txt.write(str(center_x))
           file_txt.write(' ')
           file_txt.write(str(center_y))
           file_txt.write(' ')
           file_txt.write(str(box_w))
           file_txt.write(' ')
           file_txt.write(str(box_h))
           file_txt.write('\n')

       file_txt.close()

訓練引數設定：

parser = argparse.ArgumentParser()
parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
parser.add_argument('--cfg', type=str, default='./models/yolov5s.yaml', help='model.yaml path')
parser.add_argument('--data', type=str, default='data/custom.yaml', help='data.yaml path')
parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')
# parser.add_argument('--epochs', type=int, default=300)
parser.add_argument('--epochs', type=int, default=50)
# parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')
parser.add_argument('--batch-size', type=int, default=8, help='total batch size for all GPUs')
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')
parser.add_argument('--rect', action='store_true', help='rectangular training')
parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
parser.add_argument('--notest', action='store_true', help='only test final epoch')
parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')
parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')
parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')
parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')
parser.add_argument('--project', default='runs/train', help='save to project/name')
parser.add_argument('--entity', default=None, help='W&B entity')
parser.add_argument('--name', default='exp', help='save to project/name')
parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
parser.add_argument('--quad', action='store_true', help='quad dataloader')
parser.add_argument('--linear-lr', action='store_true', help='linear LR')
parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table')
parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')
parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')
parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')
opt = parser.parse_args()

3.4.4 目標檢測模型的訓練結果

模型基本在50次迭代的時候在precision和recall以及mAP上已經達到了瓶頸。預測結果也有如下問題：大部分能夠是能夠準確框出缺口，但也出現少量框錯、框出兩個缺口、框不出缺口的情況。

圖20. 上：模型的訓練結果走勢圖；

下：模型對部分驗證集的預測結果

四、總結

本次簡單對爬蟲以及反爬蟲的技術手段進行了介紹，介紹的技術和案例均只是用於安全研究和學習，並不會進行大量爬蟲或者應用於商業。

對於爬蟲，本著爬取網路上公開資料用於資料分析等的目的，我們應該遵守網站robots協議，本著不影響網站正常執行以及遵守法律的情況下進行資料爬取；對於反爬蟲，因為只要人類能夠正常訪問的網頁，爬蟲在具備同等資源的情況下就一定可以抓取到。所以反爬蟲的目的還是在於能夠防止爬蟲在大批量的採集網站資訊的過程對伺服器造成超負載，從而杜絕爬蟲行為妨礙到使用者的體驗，來提高使用者使用網站服務的滿意度。